Neural Network-Based Adaptive Backstepping Terminal Sliding Mode Controller of DC Microgrids for Efficient Renewable Energy Integration. PhD thesis, King Fahd University of Petroleum and Minerals.

PDF (PhD Dissertation) PhD Dissertation - g201405580 - Abdullah Mohammed Baraean - EE. Dept..pdf - Submitted Version Restricted to Repository staff only until 13 October 2025. Download (14MB)

Arabic Abstract

اكتسبت الشبكات المصغرة ذات التيار المستمر ً اهتمام ً ا كبيرا كحل فعال ومرن لدمج مصادر الطاقة المتجددة في شبكة الطاقة الكهربائية. تعد استراتيجيات التحكم وإدارة الطاقة ً الفعالة أمرا ضروريًا لضمان الإستقرار والموثوقية والأداء الأمثل لهذه الشبكات. تستكشف الدراسة المقترحة استخدام منهجيات التحكم المتقدمة، وتحديدا الشبكات العصبية والتحكم ذو الطابع الانزلاقي الطرفي التراجعي التكيفي، لمعالجة التحديات المرتبطة بدمج الطاقة المتجددة في شبكات التيار المستمر المصغرة. تقترح الأطروحة وتطور استراتيجية تحكم تكيفية مستندة على الشبكات العصبية لإدارة الطاقة والتحكم في شبكات التيار المستمر المصغرة ً . من خلال استخدام الشبكات العصبية، يصبح نظام التحكم قادرا على التكيف مع التغيرات الموجودة في نظام الشبكات المصغرة. يتم تدريب نماذج الشبكات العصبية باستخدام بيانات قائمة على قواعد مسبقة لتقديم توقعات دقيقة، مما يمكن من إدارة فعالة وتنبؤ دقيق لنظام الشبكات المصغرة في ظروف تشغيل متغيرة. لتعزيز استقرار ومتانة نظام التحكم، يقدم البحث استخدام التحكم ذو الطابع الانزلاقي الطرفي التراجعي التكيفي. هذا النهج يضمن أن النظام يعمل ضمن النطاق المحدد، مما يقلل من أوجه عدم اليقين والاضطرابات في متغيرات النظام. تقنية التحكم بوضع الانزلاق التراجعي تتعامل بفعالية مع اللاخطية في نظام الشبكات المصغرة من خلال تضمين التحكم التكراري المتواصل، مما يمكن من تتبع دقيق للإشارات المرجعية وتعزيز الاستقرار. أحد التحديات الرئيسية في التحكم بنظام الشبكات المصغرة هو تقدير أوجه عدم اليقين في المتغيرات. لمعالجة هذه المشكلة، يعتمد النهج المقترح استخدام الشبكات العصبية ذات الاإستدلال الفيزيائي لتقدير دقيق لأوجه عدم اليقين. من خلال دمج القوانين والمعادلات الفيزيائية في نماذج الشبكات العصبية، يتيح هذا النهج تقدير أوجه عدم اليقين في النظام بشكل أكثر دقة. يساعد هذا النهج في تحقيق تحكم قوي وموثوق في ظل وجود أوجه عدم اليقين في مختلف مكونات نظام الشبكات المصغرة، مثل مصادر التوليد المتجددة والأحمال ونظم التخزين. ً تقترح الرسالة أيضا هيكلية تحكم هرمية لشبكة تيار مستمر مصغرة قائمة على الطاقة الشمسية والهيدروجين الأخضر. يدمج هذا النهج استراتيجيات إدارة الطاقة للتوزيع الأمثل لمصادر الطاقة المتجددة ونظم التخزين والمشاركة المستدامة للطاقة. يضمن النظام التحكمي الهرمي التشغيل المتناسق بين المكونات المختلفة، مما يسمح بتحسين إدارة الطاقة وتقليل الاعتماد على الوقود الأحفوري. بشكل عام، تسهم هذه الأطروحة بشكل كبير في مجال التحكم في نظم الشبكات المصغرة ذات التيار المستمر ودمج الطاقة المتجددة من خلال تطوير وتطبيق الشبكات العصبية مع التحكم التكيفي. يقدم البحث استراتيجيات ومناهج جديدة مثل التحكم التكيفي والتحكم ذو الطابع الانزلاقي الطرفي التراجعي، والشبكات العصبية ذات الإستدلال الفيزيائي لتقدير أوجة عدم اليقين. تعمل هذه التطورات على تعزيز الاستقرار والموثوقية والكفاءة لشبكات التيار المستمر المصغرة، مما يسمح بدمج سلس لمصادر الطاقة المتجددة والمساهمة في مستقبل الطاقة المستدامة.

English Abstract

DC microgrids have gained significant attention as an efficient and flexible solution for integrating renewable energy sources into the power grid. Effective control and management strategies are essential for ensuring the stability, reliability, and optimal performance of these microgrids. The proposed research explores the use of advanced control methodologies, specifically Neural Networks (NN) and adaptive backstepping terminal sliding mode control (ABTSMC), to address the challenges associated with renewable energy integration in DC microgrids. The dissertation proposes and develops an NN-Based Adaptive Control strategy for power management and control in DC microgrids. By employing NNs, the control system becomes adaptive to the uncertainties and variations present in the microgrid system. The neural network models are trained using rule-based data and provide accurate predictions, enabling efficient management and estimation of the microgrid under varying operating conditions. To enhance the stability and robustness of the control system, the research introduces the utilization of Backstepping Terminal Sliding Mode Control. This approach ensures that the system operates within desired bounds, mitigating parameter uncertainties and disturbances. The backstepping technique effectively handles the nonlinearity of the microgrid system by incorporating recursive feedback control, enabling precise tracking ofxx reference signals, and enhancing stability. One of the key challenges in microgrid control is uncertainty estimation. To tackle this issue, the proposed approach adopts physicsinformed NNs (PINNs) for accurate uncertainty estimation. By incorporating physical laws and equations into NN models, PINN enables the estimation of system uncertainties more precisely. This approach helps in attaining robust and reliable control in the presence of uncertainties in various microgrid components such as renewable generation, loads, and storage systems. The dissertation also proposes hierarchical control architecture for a solarpowered green hydrogen-based DC microgrid. This architecture integrates power management strategies for optimal utilization of renewable energy sources, storage systems, and efficient power sharing. The hierarchical control system ensures coordinated operation between various components, allowing improved power management and reduced dependency on fossil fuels. In general, this dissertation contributes significantly to the field of DC microgrid control and renewable energy integration through the development and application of a NN-Based ABTSMC. The research introduces novel strategies and approaches such as adaptive control, backstepping terminal sliding mode control, and PINNs for uncertainty estimation. These advancements enhance the stability, reliability, and efficiency of DC microgrids, allowing for the seamless integration of renewable energy sources and contributing to a sustainable energy future.

Item Type:	Thesis (PhD)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Kassas, M.
Committee Co-Advisor:	Abido, M. A.
Committee Members:	Khalid, Muhammad and Al-Ismail, Fahad and Farag, Hany
Depositing User:	ABDULLAH BARAEAN (g201405580)
Date Deposited:	13 Oct 2024 09:54
Last Modified:	13 Oct 2024 09:54
URI:	http://eprints.kfupm.edu.sa/id/eprint/143075